Rozpoznávání typu odpadu dle recyklačního symbolu

Abstract

Tato diplomová práce se zabývá problematikou nasazení detekčních neuronových sítí na embedded zařízení s omezeným výpočetním výkonem, konkrétně na platformu Raspberry Pi. Hlavním cílem bylo navrhnout, implementovat a vyhodnotit systémy pro detekci recyklačních symbolů pomocí moderních metod strojového vidění a hlubokého učení. V rámci řešení byly porovnány tři modely: SSD MobileNet V2 FPNLite, EfficientDet D0 (oba v TensorFlow) a SSDLite320 MobileNet V3 (v PyTorch). Práce analyzuje výhody a nevýhody jednotlivých přístupů z hlediska přesnosti detekce (mAP, AR), výpočetní efektivity (FPS) a vhodnosti pro embedded nasazení. Nejlepších výsledků z hlediska přesnosti dosáhl model EfficientDet D0, zatímco model SSD MobileNet V2 FPNLite se ukázal jako nejefektivnější z hlediska rychlosti a jednoduchosti nasazení. PyTorch model potvrdil svou funkčnost, avšak s omezeným výkonem. Výsledky ukazují klasický kompromis mezi přesností a výpočetní náročností a poskytují doporučení pro volbu vhodného modelu dle specifických požadavků embedded aplikací.